Pytorch中torch.stack()函数的深入解析

一. torch.stack（）函数解析

1. 函数说明：

2. 代码举例

总结

一. torch.stack（）函数解析 1. 函数说明：

1.1 官网：torch.stack()，函数定义及参数说明如下图所示：

1.2 函数功能

沿一个新维度对输入一系列张量进行连接，序列中所有张量应为相同形状，stack 函数返回的结果会新增一个维度。也即是把多个2维的张量凑成一个3维的张量；多个3维的凑成一个4维的张量…以此类推，也就是在增加新的维度上面进行堆叠。

1.3 参数列表

tensors ：为一系列输入张量，类型为turple和List

dim ：新增维度的（下标）位置，当dim = -1时默认最后一个维度；范围必须介于 0 到输入张量的维数之间，默认是dim=0,在第0维进行连接

返回值：输出新增维度后的张量

2. 代码举例

2.1 dim = 0 : 在第0维进行连接，相当于在行上进行组合(输入张量为一维，输出张量为两维)

import torch
#二维输入张量a,b
a = torch.tensor([1, 2, 3])
b = torch.tensor([11, 22, 33])
c = torch.stack([a, b],dim=0)#在第0维进行连接，相当于在行上进行组合(输入张量为一维，输出张量为两维)
print(a)
print(b)
print(c)

输出结果如下：
tensor([1, 2, 3])
tensor([11, 22, 33])
tensor([[ 1, 2, 3],
[11, 22, 33]])

2.2 dim = 1 ：在第1维进行连接，相当于在对应行上面对列元素进行组合(输入张量为一维，输出张量为两维)

import torch
#二维输入张量a,b
a = torch.tensor([1, 2, 3])
b = torch.tensor([11, 22, 33])
c = torch.stack([a, b],dim=1)#在第1维进行连接，相当于在对应行上面对列元素进行组合(输入张量为一维，输出张量为两维)
print(a)
print(b)
print(c)

输出结果如下：
tensor([1, 2, 3])
tensor([11, 22, 33])
tensor([[ 1, 11],
[ 2, 22],
[ 3, 33]])

2.3 dim=0：表示在第0维进行连接，相当于在通道维度上进行组合(输入张量为两维，输出张量为三维)，注意：此处输入张量维度为二维，因此dim最大只能为2。

import torch
#二维输入张量a,b
a = torch.tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
b = torch.tensor([[11, 22, 33], [44, 55, 66], [77, 88, 99]])
c = torch.stack([a, b],dim=0)#在第0维进行连接，相当于在通道维度上进行组合(输入张量为两维，输出张量为三维)
print(a)
print(b)
print(c)

输出结果如下所示：
tensor([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
tensor([[11, 22, 33],
[44, 55, 66],
[77, 88, 99]])
tensor([[[ 1, 2, 3],
[ 4, 5, 6],
[ 7, 8, 9]],

[[11, 22, 33],
[44, 55, 66],
[77, 88, 99]]])

2.4 dim=1：表示在第1维进行连接，相当于对相应通道中每个行进行组合，注意：此处输入张量维度为二维，因此dim最大只能为2。

import torch
#二维输入张量a,b
a = torch.tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
b = torch.tensor([[11, 22, 33], [44, 55, 66], [77, 88, 99]])
c = torch.stack([a, b], 1)#在第1维进行连接，相当于对相应通道中每个行进行组合
print(a)
print(b)
print(c)

输出结果如下所示：
tensor([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
tensor([[11, 22, 33],
[44, 55, 66],
[77, 88, 99]])
tensor([[[ 1, 2, 3],
[11, 22, 33]],

[[ 4, 5, 6],
[44, 55, 66]],

[[ 7, 8, 9],
[77, 88, 99]]])

2.5 dim=2：表示在第2维进行连接，相当于对相应行中每个列元素进行组合，注意：此处输入张量维度为二维，因此dim最大只能为2。

import torch
#二维输入张量a,b
a = torch.tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
b = torch.tensor([[11, 22, 33], [44, 55, 66], [77, 88, 99]])
c = torch.stack([a, b], 2)#在第2维进行连接，相当于对相应行中每个列元素进行组合
print(a)
print(b)
print(c)

输出结果如下所示：
tensor([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
tensor([[11, 22, 33],
[44, 55, 66],
[77, 88, 99]])
tensor([[[ 1, 11],
[ 2, 22],
[ 3, 33]],

[[ 4, 44],
[ 5, 55],
[ 6, 66]],

[[ 7, 77],
[ 8, 88],
[ 9, 99]]])

2.6 dim=3：表示在第3维进行连接，相当于对相应行中每个列元素进行组合(输入维度大小为3维，因此dim=3最后一维始终代表为列)，注意：此处输入张量维度为三维，因此dim最大只能为3。

import torch
#三维输入张量a,b
a = torch.tensor([[[1, 2, 3], [4, 5, 6], [7, 8, 9]],[[10, 20, 30], [40, 50, 60], [70, 80, 90]]])
b = torch.tensor([[[11, 22, 33], [44, 55, 66], [77, 88, 99]], [[110, 220, 330], [440, 550, 660], [770, 880, 990]]])
c = torch.stack([a, b], 3)#表示在第3维进行连接，相当于对相应行中每个列元素进行组合(最后一维是第三维，始终代表为列)
print(a)
print(b)
print(c)

输出结果如下所示：
tensor([[[ 1, 2, 3],
[ 4, 5, 6],
[ 7, 8, 9]],

[[10, 20, 30],
[40, 50, 60],
[70, 80, 90]]])
tensor([[[ 11, 22, 33],
[ 44, 55, 66],
[ 77, 88, 99]],

[[110, 220, 330],
[440, 550, 660],
[770, 880, 990]]])
tensor([[[[ 1, 11],
[ 2, 22],
[ 3, 33]],

[[ 4, 44],
[ 5, 55],
[ 6, 66]],

[[ 7, 77],
[ 8, 88],
[ 9, 99]]],

[[[ 10, 110],
[ 20, 220],
[ 30, 330]],

[[ 40, 440],
[ 50, 550],
[ 60, 660]],

[[ 70, 770],
[ 80, 880],
[ 90, 990]]]])

2.7 dim=4 （错误维度：因为此处输入张量维度为三维，所以dim最大只能为3，此处维度为4，因此会报错）

import torch
#三维输入张量a,b
a = torch.tensor([[[1, 2, 3], [4, 5, 6], [7, 8, 9]],[[10, 20, 30], [40, 50, 60], [70, 80, 90]]])
b = torch.tensor([[[11, 22, 33], [44, 55, 66], [77, 88, 99]], [[110, 220, 330], [440, 550, 660], [770, 880, 990]]])
c = torch.stack([a, b], 4)
print(a)
print(b)
print(c)